1. 多智能体跑着跑着就变笨问题出在上下文膨胀如果你正在用 LangChain 搭多智能体大概率遇到过这种场景主 Agent 一开始思路清晰任务拆得明明白白可当它连续调用几个子任务之后回答开始跑偏甚至把最初的目标都忘了。你去看它的上下文窗口发现里面塞满了网页原始 HTML、失败重试日志、工具返回的中间态数据真正有用的结论被挤到了角落。这就是 Context Bloat上下文膨胀。它不是一个玄学问题而是多智能体架构里最典型的工程痛点。LangChain 发布的 Deep Agents 给出了一个很务实的解法用 Subagents 做上下文隔离用 Skills 做渐进式能力加载。主 Agent 只负责调度和汇总脏活累活交给子智能体在自己的沙盒里干干完只回传结论。这篇文章我会带你从零跑通一个上下文可控的多智能体示例同时把模型调用通道统一接到 TaoToken 上避免你在多个模型供应商之间来回切换 Key 和 Base URL。适合已经了解 LangChain 基础、想进一步优化多智能体上下文管理的开发者。读完你能拿到一份可复制的 settings 配置、一套 Subagents Skills 的代码骨架以及一条可验证的调用链路。2. 为什么 Subagents Skills 能压住上下文以及 TaoToken 前置准备先说清楚 Deep Agents 到底解决了什么。传统多智能体写法里一个主循环从头跑到尾搜索、解析、计算、报错全在同一个上下文窗口里累积。假设你让 Agent 分析一只股票它先搜了 20 条新闻每条新闻的原始文本都进了上下文然后算指标工具返回的 JSON 也进了上下文中间某次请求失败错误堆栈又进了上下文。等到最后要输出结论时模型面对的是一个被噪音填满的窗口注意力被稀释输出质量自然下降。Deep Agents 的核心机制有两个。Subagents 让主 Agent 把任务委派给子智能体子智能体拥有独立的上下文窗口。它在自己的窗口里可以搜 50 个网页、重试 10 次、翻遍文档但返回给主 Agent 的只有一份总结报告。主 Agent 的上下文始终保持干净只保留调度决策和最终结论。Skills 则是把工具定义和操作流程从 System Prompt 里抽出来写成 SKILL.md 文件。Agent 初始只知道技能名称和简介真正需要时才去读取详细步骤。这既省 Token也让流程维护变成改 Markdown 而不是改代码。在动手之前你需要先准备好模型调用通道。多智能体场景下主 Agent 和不同子智能体可能用不同模型如果每个模型都去单独申请 Key、单独配 Base URL管理成本很高。我建议统一走 TaoToken 的 API 通道一个 Key 覆盖多个模型Base URL 固定切换模型只改 Model ID。具体操作访问 https://taotoken.net/api 获取 API Key然后在控制台确认你要用的模型 ID。TaoToken 的接入文档在 https://taotoken.net/doc 里面有各语言 SDK 的配置示例。如果你还没注册可以先从官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 进入完成账号创建后再去 API Keys 页面生成密钥。这里有个细节要注意Deep Agents 底层依赖 LangChain 的模型接口所以你需要把 TaoToken 的 Base URL 和 Key 配到环境变量里让 LangChain 能识别。推荐用.env文件管理避免硬编码。3. 可复制的 settings 配置与 Deep Agents 代码骨架这一节是全文的核心我会给出完整的配置文件片段和代码结构。你照着改路径和 Key 就能跑。首先是环境变量配置。在项目根目录创建.env文件# .env TAOTOKEN_API_KEYsk-your-token-here TAOTOKEN_BASE_URLhttps://taotoken.net/api然后是 LangChain 侧的模型配置。Deep Agents 的create_deep_agent接受模型字符串格式通常是provider:model。为了走 TaoToken 通道我们需要在初始化时覆盖 Base URL。下面是一个可复制的 Python 配置片段# config.py import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI load_dotenv() def get_model(model_id: str claude-sonnet-4-5-20250929): return ChatOpenAI( modelmodel_id, api_keyos.getenv(TAOTOKEN_API_KEY), base_urlos.getenv(TAOTOKEN_BASE_URL), temperature0.2, )注意这里的base_url必须指向https://taotoken.net/api不要带多余路径。Model ID 根据你在控制台看到的实际名称填写比如claude-sonnet-4-5-20250929或gpt-4o。接下来是 Skills 文件。Deep Agents 约定技能放在.deepagents/skills/目录下。我们创建一个量化分析流程的技能文件!-- .deepagents/skills/finance/SKILL.md -- --- name: stock_analysis_pipeline description: 执行股票分析的标准作业流程 tags: [finance, trading] --- # 股票分析标准作业程序 当接收到分析某只股票的指令时按顺序执行 1. 搜集情报调用 search_news 获取最近 24 小时关键消息。 2. 计算指标调用 calculate_indicators 获取 RSI 和 MACD。 3. 风控审查将情报和指标交给风控子智能体审核。 4. 最终决策综合输出 Buy/Sell/Hold 建议。然后是子智能体和主智能体的定义。这里我把模型调用统一走上面配置的 TaoToken 通道# main.py from deepagents import create_deep_agent from deepagents.backends import FilesystemBackend from config import get_model def search_news(ticker: str): 搜索最近的市场新闻 return fFound 3 articles for {ticker}: AI demand strong; Earnings beat. def calculate_indicators(ticker: str): 计算技术指标 return {RSI: 65, MA_200: Bullish} news_agent { name: info_researcher, description: 负责搜索互联网新闻和市场舆情。, tools: [search_news], model: get_model(gpt-4o), } quant_agent { name: math_wizard, description: 负责计算技术指标处理数字逻辑。, tools: [calculate_indicators], model: get_model(gpt-4o), } risk_agent { name: risk_manager, description: 负责风险控制。RSI 超过 80 或有重大利空必须拒绝交易。, system_prompt: 你是一个保守的风控官宁可错过不可做错。, model: get_model(claude-sonnet-4-5-20250929), } agent create_deep_agent( modelget_model(claude-sonnet-4-5-20250929), subagents[news_agent, quant_agent, risk_agent], backendFilesystemBackend(root_dir./), skills[.deepagents/skills/finance], ) if __name__ __main__: user_input 帮我分析一下 NVDA 现在能不能买 response agent.invoke({messages: [{role: user, content: user_input}]}) print(response.content)这段代码里主 Agent 用 Claude 做调度子智能体分别用不同模型处理各自擅长的任务。所有模型请求都通过 TaoToken 的 Base URL 发出你只需要维护一个 API Key。如果你用的是 Cline 或 Claude Code 这类工具做辅助开发配置逻辑是一样的Base URL 填https://taotoken.net/apiAPI Key 填 TaoToken 生成的密钥Model ID 填控制台里对应的模型名称。这三件套缺一不可尤其是 Model ID 必须和 TaoToken 支持的名称完全一致否则会报模型不存在。4. 验证多智能体调用链路是否跑通配置写完之后不要急着上复杂任务。先用一个最小请求验证通道是否通畅。第一步单独测试模型调用。写一个临时脚本from config import get_model llm get_model(gpt-4o) resp llm.invoke(用一句话说明什么是上下文膨胀) print(resp.content)如果这一步返回正常文本说明 TaoToken 的 Key、Base URL、Model ID 三件套配置正确。如果报 401检查 Key 是否复制完整如果报 model not found检查 Model ID 拼写。第二步验证 Skills 是否被正确加载。在main.py里加一行调试输出print(Loaded skills:, agent.skills)运行后应该能看到.deepagents/skills/finance这个路径。如果为空检查FilesystemBackend的root_dir是否指向项目根目录以及 SKILL.md 的 frontmatter 格式是否正确。第三步跑完整调用链路。执行python main.py观察输出。预期流程是主 Agent 读取 Skill 文件识别出需要先搜集情报于是派发info_researcher子智能体子智能体调用search_news拿到新闻摘要后返回主 Agent 再派发math_wizard计算指标最后派发risk_manager做风控审查主 Agent 汇总三者结论输出最终建议。你可以在每个子智能体的工具函数里加一行print确认它们确实被调用了。比如def search_news(ticker: str): print(f[info_researcher] searching news for {ticker}) return fFound 3 articles for {ticker}: AI demand strong; Earnings beat.如果运行后看到三行不同的子智能体日志并且最终输出了包含 Buy/Sell/Hold 的建议说明整条链路跑通了。这时候你再去检查主 Agent 的上下文会发现里面只有调度记录和最终结论没有原始新闻文本和中间计算数据上下文膨胀问题被有效隔离。5. 常见报错排查401、local proxy failed、reading choices、OAuth这一节整理我在调试过程中真实遇到过的几类报错以及对应的排查路径。401 Unauthorized最常见的原因是 API Key 没有正确加载。检查.env文件是否在项目根目录load_dotenv()是否在读取 Key 之前调用。另一个可能是 Key 复制时带了空格或换行建议用print(os.getenv(TAOTOKEN_API_KEY)[:8])打印前几位确认。如果 Key 确认无误仍然 401去 TaoToken 控制台的 API Keys 页面确认这个 Key 是否被禁用或过期。local proxy failed / connection refused这类报错通常出现在 Base URL 配置错误时。确认TAOTOKEN_BASE_URL的值是https://taotoken.net/api不要写成https://taotoken.net/api/v1或其他路径。LangChain 的 OpenAI 兼容接口会自动拼接/chat/completions你只需要提供到/api这一层。另外检查本地网络是否能正常访问该域名可以用curl https://taotoken.net/api做连通性测试。reading choices 报错 / KeyError: choices这个报错说明请求返回的 JSON 结构里没有choices字段通常是模型 ID 写错了服务端返回了错误信息而不是正常的补全结果。解决方法是打印完整响应体import traceback try: resp llm.invoke(test) except Exception as e: traceback.print_exc()根据错误信息里的提示修正 Model ID。TaoToken 控制台的模型列表里会显示可用模型名称直接复制粘贴不要手动拼写。OAuth 相关报错如果你在 Claude Code 或类似工具里看到 OAuth 认证失败说明工具尝试走 Anthropic 官方 OAuth 流程而不是 API Key 通道。这时候需要检查工具的配置文件确保它使用的是 API Key 模式。以 Claude Code 为例检查~/.claude/settings.json或项目级.claude/settings.json确认apiKey字段填的是 TaoToken 的 KeybaseUrl字段填的是https://taotoken.net/api。如果配置里同时存在 OAuth token 和 API Key优先使用 API Key 并移除 OAuth 相关字段。还有一个容易忽略的点子智能体的model字段如果传的是字符串而不是ChatOpenAI实例Deep Agents 可能会用默认的 OpenAI 客户端去请求导致 Base URL 没有生效。确保每个子智能体的model都通过get_model()函数创建这样 Base URL 和 Key 才会统一走 TaoToken 通道。6. 把通道固定下来让多智能体专注在业务逻辑上跑通这个示例之后你会发现 Deep Agents 的 Subagents Skills 组合本质上是用工程化手段解决 LLM 应用的上下文管理问题。主 Agent 做路由和汇总子智能体做具体执行Skills 做流程编排。这套结构和你熟悉的微服务架构非常像只是服务边界变成了上下文边界。实际项目里我建议把模型调用通道固定下来不要让每个子智能体各自去配 Key 和 Base URL。统一走 TaoToken 的 API 通道一个 Key 覆盖多个模型切换模型只改 Model ID。这样你在调整子智能体分工时不需要关心底层通道的差异专注在 Skills 的流程设计和 Subagents 的职责划分上。如果你需要长期跑编码类或 Agent 类任务可以了解一下 Coding Plan它适合高频调用的场景。日常验证模型效果直接用模型对话页面就能快速测试。接入过程中遇到配置问题接入文档里有各语言 SDK 的完整示例。把通道配好之后剩下的就是不断调整子智能体的粒度和 Skills 的步骤让整个多智能体系统在上下文可控的前提下稳定输出。